基于统计学的文本特征词汇提取方法

摘要

基于统计学的文本特征词汇提取方法，利用分词技术对文本分词处理，匹配停用词表对词汇进行去停用词操作，根据调研统计，得出一系列词汇位置和词性权重值，计算特征词汇集合在文本库中的期望和方差，综合上述所有因子，构造目标权重函数和设定一个合适的阈值对特征词汇降维，再根据语义相似度条件，合并相似度高的词汇，进而实现对特征词汇的再降维。本发明比传统文本特征词汇提取方法准确度更高，具有更好的应用价值，克服了信息增益方法的缺点，结果更符合经验值，解决了文本特征词汇高维稀疏的问题和同义词与多义词的问题，计算了不同词汇对文本思想的贡献度，为后续文本相似度与文本聚类提供良好的理论基础。

主权项

基于统计学的文本特征词汇提取方法，本发明涉及语义网络技术领域，具体涉及一种基于统计学的文本特征词汇提取方法，其特征是，包括如下步骤：步骤1：利用中文分词技术对文本进行分词处理，其具体分词技术过程如下：步骤1.1：根据《分词词典》找到待分词句子中与词典中匹配的词，把待分词的汉字串完整的扫描一遍，在系统的词典里进行查找匹配，遇到字典里有的词就标识出来；如果词典中不存在相关匹配，就简单地分割出单字作为词；直到汉字串为空步骤1.2：依据概率统计学，将待分词句子拆分为网状结构，即得n个可能组合的句子结构，把此结构每条顺序节点依次规定为，其结构图如图2所示步骤1.3：基于信息论方法，给上述网状结构每条边赋予一定的权值，其具体计算过程如下：根据《分词词典》匹配出的字典词与未匹配的单个词，第i条路径包含词的个数为，即n条路径词的个数集合为得在上述留下的剩下的(n‑m)路径中，求解每条相邻路径的权重大小在统计语料库中，计算每个词的信息量，再求解路径相邻词的共现信息量，既有下式：上式为文本语料库中词的信息量，为含词的文本信息量上式为在文本语料库中的概率，n为含词的文本语料库的个数上式为含词的文本数概率值，N为统计语料库中文本总数同理为在文本语料库中词的共现信息量，为相邻词共现的文本信息量同理上式为在文本语料库中词的共现概率，m为在文本库中词共现的文本数量为文本库中相邻词共现的文本数概率综上可得每条相邻路径的权值为步骤1.4：找到权值最大的一条路径，即为待分词句子的分词结果，其具体计算过程如下：有n条路径，每条路径长度不一样，假设路径长度集合为假设经过取路径中词的数量最少操作，排除了m条路径，m<n，即剩下(n‑m)路径，设其路径长度集合为则每条路径权重为:上式分别为第1,2到路径边的权重值，根据步骤1.4可以一一计算得出，为剩下(n‑m)路径中第条路径的长度权值最大的一条路径:步骤2：根据停用表对文本词汇进行去停用词处理，得到文本特征词汇集合，其具体描述如下：停用词是指在文本中出现频率高，但对于文本标识却没有太大作用的单词，去停用词的过程就是将特征项与停用词表中的词进行比较，如果匹配就将该特征项删除，文本特征词汇集合综合分词和删除停用词技术,中文文本预处理过程流程图如图3步骤3：根据词汇在文本中的位置得到一系列词汇位置权重值，其具体描述如下：各个词在文本中的分布是不同的，而不同位置的词对于表示文本内容的能力也是不同的，这个可以根据统计调查得出一系列的位置权重值步骤4：根据词汇在文本中的词性得到一系列词汇词性权重值、、、，其具体描述如下：现代汉语语法中，一个句子主要由主语、谓语、宾语、定语和状语等成分构成，从词性的角度看，名词一般担当主语和宾语的角色，动词一般担当谓语的角色，形容词和副词一般担当定语的角色，词性的不同，造成了它们对文本或者句子的表示内容的能力的不一样，根据调查统计得出名词、动词、形容词、副词的权重值依次为、、和，且步骤5：综合上述步骤，利用目标权重函数对文本词汇集合T进行进一步降维处理得到词汇集合，步骤6：根据语义相似度条件，合并相似度高的词汇，此时文本的特征词汇向量为。